The efficacy of highway wildlife collision mitigation in preventing elk mortality in central Ontario
Notice bibliographique
Résumé
Abstract In the Burwash area of north‐central Ontario, Canada, expansion of the Trans‐Canada highway from 2 to 4 lanes was accompanied by installation of a range of wildlife collision‐mitigation infrastructure (e.g., exclusion fencing, underpasses). To assess the overall effectiveness of these measures, we monitored the spatial distribution and mortality rates of elk ( Cervus canadensis ) prior to and following highway expansion, distinguished by season (winter, snowfree) and corridor‐type (highway, railway). We measured herd‐level risk by the proportion of positions falling within 200‐m railway and highway buffer zones using Bayesian methods. Spatial analysis confirmed that there was a distinct northward shift in the winter distribution of elk following construction, situating the elk past the north end of the exclusion fence. This increased the herd's exposure to highway traffic by 3.6 times (proportion of points before = 0.0041 ± 0.002 [SE], after = 0.0147 ± 0.003, P = 0.005), and resulted in a more than 2‐fold increase in elk road mortality from 0.6 elk/yr/20 km during 8 years prior to implementation to 1.5 elk/yr/20 km during 8 years after implementation. Exposure to railways remained unchanged and consistently higher than highway exposure regardless of season (e.g., post‐mitigation, winter proportion of points = 0.0453 ± 0.005), matched by consistently high mortality counts (proportion of points before = 6.4 elk/yr/20 km, after = 6.6 elk/yr/20 km). Our results demonstrate that while wildlife‐vehicle collision mitigation is generally beneficial to wildlife and humans, failure to account for the local characteristics of wildlife populations can lead to suboptimal mitigation designs that reduce their effectiveness and lead to unintended wildlife impacts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».